XiaoMi-AI文件搜索系统
World File Search System遗传力
牛奶中与妊娠相关糖蛋白估计的奶牛怀孕损失的遗传参数
这项研究检查了在育种中使用预养生相关的糖蛋白（PAG）的可行性，以维持妊娠维持妊娠，并评估了妊娠损失特征的遗传差异。在1,119个瑞典群的每月测试日挤奶中收集了41,889名瑞典红（SR）和82,187牛奶的374,206个PAG样品。妊娠状态是根据PAG水平定义的，并通过人工授精（AI），产犊和从D 1后汇总到Calving的数据确认。妊娠损失特征被定义为胚胎丧失（AI后28 d至41 d），胎儿损失（AI后42 d直至产犊）和总妊娠损失。最小二乘平均值（±标准误差，％）和使用混合线性模型估算的遗传参数。遗传力估计分别为0.02、0.02和0.03，胚胎丧失，胎儿丧失和总妊娠丧失分别为0.02、0.02和0.03。妊娠损失的母牛的PAG浓度低于成功保持怀孕并产生血管的母牛。PAG记录仅限于每月测试日挤奶，导致估计较低的胚胎损失（分别为SR和SH为17.5±0.4和18.7±0.4）和较高的胎儿损失（分别为32.8±0.5和35.1±0.5和35.1±0.5，SR和SH）。妊娠损失可能较早发生，但仍未发现直到下一个测试日挤奶，当时它被记录为胎儿损失而不是胚胎损失。估计胚胎和胎儿妊娠丧失性状与经典生育特征之间的遗传相关性通常很高。需要进一步的研究来阐明这些结果如何从PAG数据中鉴定出新的遗传性状可以是高度特异性的，因为PAG仅由胎盘分泌。因此，PAG可能是选择的有用指标，可从基因上改善妊娠维持并减少牛奶产量中的生殖损失。
利用野生近缘种遗传改良水稻耐盐性的进展与展望
盐胁迫是继干旱之后第二大破坏性非生物胁迫，限制了全球水稻产量。通过遗传增强耐盐性是一种有前途且经济有效的方法，可在盐胁迫地区提高产量。耐盐性育种具有挑战性，因为水稻对盐胁迫的反应具有遗传复杂性，受低遗传力和高 G×E 相互作用的次要基因控制。许多生理和生化因素的参与进一步复杂化了这种复杂性。绿色革命时代以提高产量为目标的密集选择和育种工作无意中导致了控制耐盐性的基因座逐渐消失，品种间遗传变异性显著降低。遗传资源利用有限和改良品种遗传基础狭窄导致现代品种对耐盐性的响应处于停滞状态。野生种是拓宽驯化水稻遗传基础的极佳遗传资源。利用未被充分利用的野生稻近缘种的新基因来恢复驯化过程中被消除的耐盐性位点，可使水稻品种获得显著的遗传增益。野生稻种 Oryza ru fi pogon 和 Oryza nivara 已被用于开发一些改良稻种，如 Jarava 和 Chinsura Nona 2。此外，增加序列信息获取途径和增强对野生近缘种耐盐性基因组学的了解，为在育种计划中部署野生稻种质提供了机会，同时克服了野生杂交中出现的交叉不亲和性和连锁阻力障碍。预育种是构建可用于育种计划的材料的另一种途径。应努力系统地收集、评估、表征和揭示野生稻的耐盐性机制
多...
多环境试验（MET）数据的分析是植物育种和农业研究的关键组成部分，为基因型逐型环境（GXE）相互作用提供了基本见解。然而，随着MET实验的复杂性的增长，基于方差的转化分析（基于ANOVA）的方法可以在准确捕获遗传和非遗传效应的潜在方差 - 稳定性结构方面表现出局限性。本研究使用埃塞俄比亚进行的十项常见的豆类品种试验的谷物产量数据集提出了对MET数据分析的因素分析混合模型（FAMM）。这项研究研究了多环境基因型效果（GXE）效应的方差相关结构的建模和在多环境现场试验中的残留误差。与具有异质遗传方差和恒定误差方差的基本GXE模型相比，包含具有异质误差差异的模型可显着改善模型拟合。然后拟合了增加顺序的因子分析模型（FA）模型，并且前三个顺序（FA1，FA2和FA3）在解释的方差百分比和统计意义上显示出显着的改善。FA3模型解释了总方差的78.12％，确定为模型复杂性和解释力之间提供最佳拟合。在十个试验环境中，遗传差异，误差差异和遗传力的估计值分别从0.008到0.984、0.053至0.695和65.40至89.86。这强调了影响感兴趣特征的基本遗传和环境因素的实质性变化。环境之间的遗传相关性也从负值到正值不等，表明跨实验条件的遗传因素的一致性不同。这些结果表明，在分析多环境试验数据时，正确建模方差 - 稳定性结构并考虑复杂的基因型相互作用的重要性。强烈建议扩大这种有效分析方法的利用，以增强各种环境之间的品种评估，并促进鉴定出色品种。关键词：因子分析混合模型，多环境试验，遗传
PDF：大米（Oryza sativa L.）定量性状的遗传参数和主成分分析
常规育种对于改善与产量相关的性状和发展高产物品种至关重要。在提出的研究中，对15个F 1杂种的评估将它们与其六种父母基因型进行了比较，以便各种特征的遗传变异。结果表明，差异分析显示跨组合和父母品种以及父母和十字架之间的显着（p≤0.01）。所有特征的父母与杂交的平均平均值也表明（p≤0.01）。对于F 1 Generation研究的所有特征，一般（GCA）和特定组合能力（SCA）方差均显着（P≤0.01）。三种品种，即Sakha108，Giza179和Sakha109，对于谷物产量植物-1的高度阳性为阳性，这意味着这些品种可以使作为好的组合者受益，以转移育种计划中的上述特征。在SCA中，七个十字在植物的高度上为负，并且需要负值以避免住宿并适合机械收集；但是，在其余的特征中，优选阳性的显着值是可取的。结果表明，谷物产量植物-1和植物高度的最佳交叉是Sakha105×Sakha102，Sakha105×Sakha108和Sakha108×Sakha109。进行聚类分析也表现出分为四组的基因型。第一组仅包括大米基因型Sakha109和Sakha108。这些品种是由共同的父sakha101产生的，可以具有三个定量性状的遗传关系（旗叶面积，1000粒粒度和圆锥体重量）。包括Sakha 102和Sakha 106的第二组具有非常相似的遗传背景，因为两个品种共享一个共同的父母，Giza 177。此外，这两个水稻品种的分ers植物的植物数量为-1、1000粒重量，而圆锥花序植物-1。第三组仅包括属于Indica-Japonica品种的Giza 179。第四组由不同父母生产的Sakha 105。关键字：水稻（oryza sativa L.），育种，能力，遗传变异，遗传潜力，基因型和表型方差，遗传力
保守的免疫效应子家族在病毒感染后切开细胞ATP
由于经济损失，绩效降低和降低了18种动物福利，牛牛中牛充血性心力衰竭（BCHF）的发病率增加对牛肉工业构成了17个重大挑战。变化对纯种牛的心脏19形态以及纯种牛的异常肺动脉压（PAP）已广泛表征。然而，随着时间的推移，在喂养期后期影响牛的充血21心力衰竭一直是一个越来越多的问题，行业需要22个工具来解决饲养场中的死亡率。在收获时，将23人口的32,763个商业喂养的牛分型用于心脏形态，并在西北25个Pacific Northwest的单个饲养场和包装厂收集的24个生产数据。选择了5,001个个体的子人群进行低通的基因分型26，以估计差异成分以及心脏评分与产量之间的遗传相关性在喂养期间观察到的27个特征。收获时，在这28人群中，心脏评分为4或5的发病率约为4.14％，表明饲养牛的大部分比例增加了29个收获前心脏死亡率的风险增加了29。心脏评分也显着，30与基因组繁殖百分比31分析观察到的安格斯血统的百分比正相关。34心脏评分与生长特征和进食摄入量的遗传相关性是中等和阳性的35（0.289至0.460）。心脏评分的遗传力是二进制（得分1和2 = 0，得分4和5 = 1）32特征在该人群中为0.356，这表明开发了选择工具以减少33个以EPD（预期差异）形式减少33个充血性心力衰竭的风险。心脏评分与回脂能力和大理石花纹评分之间的遗传相关性分别为-36 0.120和-0.108。与高经济重要性的特征的显着遗传相关性37在现有选择指数中可能解释了38次观察到的充血性心力衰竭率的增加。这些结果表明，有可能在收获中观察到的心脏评分为39
药物发现的多组学实验设计
术语“ OMICS”是指研究生物中存在的整体生物分子的科学分支，包括基因组学；转录组学；蛋白质组学和代谢组学等。每个“ Omic”层都会发现一个关于细胞或组织样品的独特分子故事。例如，基因组学告知可能发生的事情，转录组学表明可能发生的事情，蛋白质组学描述了发生的事情，代谢组学揭示了目前正在发生的事情。虽然单词研究对生物标志物的识别很有用，但它们缺乏解决缺失的遗传力问题所需的预后或预测能力，这表现为三个关键的基因差距：数值差距，预测性差距和机械差距。相比之下，一种分层的多摩变方法在生物系统的计算机建模中提供了真实的承诺，可以通过整合多种分子层来预测扰动并弥合机械差距，从而产生新的见解，这些新见解通常会错过这些洞察力。然而，多词数据的集成是复杂的，并且充满了技术和计算挑战，尤其是在将垂直分子层与不同的参数和统计分布相结合时。此外，垂直积分加剧了维度的概念（p≫n），当特征（P）的数量远远超过样品数量（n）时，会发生这种情况，从而导致算法的过度训练以及统计和机器学习模型的分解，这些模型已优化了用于富含样品的空间。为了解决这个问题，应包括单细胞和空间多族研究。单细胞OMICS启用细胞水平分子分辨率，可以通过细胞读数来解决异质性并显着增加样品数量。空间多摩变分析将保留分子数据的空间环境。鉴于多摩变研究设计所涉及的许多考虑因素，从数据获取到功能分析，本综述旨在为实验设计提供全面的路线图，并采用改善数据整合的策略，以帮助利用系统生物学的能力进行药物发现。
回肠微生物群的组成是宿主基因组和磷利用和其他效率性状之间的介体（coturnix japonica）
抽象背景：磷是所有生物体中必不可少的营养素，目前，由于其全球稀缺，磷从排泄物产生的环境影响以及由于其以植物中的植物形式存储而引起的消化率较低。在家禽中，磷利用受到回肠菌群和宿主遗传学的组成的影响。在我们的研究中，我们分析了宿主遗传学对回肠菌群组成的影响，以及回肠细菌属的相对丰度与日本鹌鹑中磷的相对丰度与磷利用和相关定量性状的关系。用4K基因组的单核苷酸多态性（SNP）对758个鹌鹑的F2交叉进行了基因分型，并使用靶扩增子测序对回肠菌群的组成进行了表征。遗传性，并针对可遗传的属进行了宿主的定量性状基因座（QTL）链接映射。使用结构方程模型估算了细菌属和定量性状之间的表型和遗传相关性以及递归关系。采用基因组最佳线性无偏预测（GBLUP）和微生物（M）BLUP全息素选择方法，用于评估基于宿主基因组和基于ileum Microbobiota组成的可遗传的磷利用的繁殖可行性。结果：在检查的59个细菌属中，有24个显示出显着的遗传力（名义P≤0.05），范围从0.04到0.17。对于这些属，绘制了六个全基因组显着的QTL。发现了显着的递归效应，从而通过鹌鹑回肠中的微生物群组成来支持间接宿主遗传对宿主定量性状的影响。交叉验证的微生物和基因组预测准确性证实了微生物组成和宿主遗传学对宿主定量性状的强烈影响，因为基于基于传统的微生物介导的成分的GBLUP精确度与基于基于基因组范围Snps的常规GBLUP的精确度相似。结论：我们的结果表明，宿主遗传学对回肠微生物群的组成产生了显着影响，并证实了回肠微生物群的宿主遗传学和组成对宿主的定量性状有影响。这提供了基于宿主基因组和回肠菌群组成的可遗传部分改善磷利用的可能性。
通过生存和病毒载量数据揭示虹鳟对传染性胰腺坏死病毒的抗性遗传学
传染性胰腺坏死病毒 (IPNV) 是虹鳟养殖业动物福利和经济的主要威胁之一。先前的研究已表明，对 IPNV 的抗性存在显著的遗传变异。这项研究的主要目的是调查虹鳟鱼苗对 IPNV 的抗性遗传结构。为了实现这一目标，610 条虹鳟鱼苗（来自 5 个公鱼和 5 个母鱼的全因子交配）接受了来自商业养殖场养殖的大西洋鲑鱼的 IPNV 分离株 (IPNV-AS) 的浴池攻击。使用三种不同的表型评估对 IPNV 的抗性；在 40 天的攻击测试期间记录在鱼上的二元存活率 (BS)、总存活天数 (TDS) 和病毒载量 (VL)。所有鱼都使用 57K Affymetrix SNP 阵列进行基因分型。IPNV-AS 分离株导致总死亡率为 62.1%。生存性状（BS h 2 = 0.21 ± 0.06，TDS h 2 = 0.25 ± 0.07）和 VL 性状（h 2 = 0.23 ± 0.08）的遗传力估计值为中等，表明在虹鳟鱼选择性育种计划中可能选择提高对 IPNV 的抗性。两个生存性状（BS 和 TDS）之间的统一估计遗传相关性表明这两个性状可被视为同一性状。相反，在 VL 和两个生存性状之间发现中等正向负遗传相关性（- 0.61 ± 0.22 至 - 0.70 ± 0.19）。许多 QTL 跨越染色体范围的 Bonferroni 校正阈值的性状的 GWAS 表明所研究性状的多基因性质。发现 10 个可能识别的基因中，大多数与免疫或病毒致病机制有关，这可能是导致 IPNV-AS 存活率显著遗传变异的原因。QTL 验证分析表明，检测到的 QTL 的三种基因型在死亡率和 VL 方面没有显著差异。VL 性状在死鱼苗中表现出较大的变异，并且与两种存活表型具有一致的模式，但死鱼苗和活鱼苗中 IPNV VL 阳性样本的比例没有显著差异
草豌豆双重目的干物质和种子在不同环境的雨养条件下产生
草豌豆（lathyrus sativus L.）由于其有利的农艺特征，包括一种强大的根系，它深入渗透到土壤中，及其针对各种生物和非生物胁迫的弹性，这是可持续农业的绝佳选择。在这项研究中，在“ Gachsaran”，“ Mehran”，“ Kuhdasht”和“ Shirvan-Chardavol”地点的“ Gachsaran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”，“ Mehran”的雨水基因型的干燥产量和种子产量连续三年连续三年评估。使用随机完整的块设计进行了实验现场试验，并将每个实验设置复制三次。描述性统计量显示出4.030（吨/ha）和1.530（吨/ha）的平均值，表型系数分别为54.77和61.56，用于干燥的产量和种子产量。地理，气候和缘变量对产量测量的投影描述了四个研究环境之间的显着差异。高程对Mehran位置的干物质和种子产量产生更大的影响。降雨和相对湿度的气候因素分别在“ Gachsaran”和“ Shirvan-Chardavol”中起着重要作用。对于种子产量，与温度相关的属性在“ Mehran”位置更为重要。观察到低宽义的遗传力，基因型 - 环境相互作用的R 2显示了GEI的干燥产量（0.126）和种子产量（0.223）。基于脉冲的稳定性指数分别显示G10和G13是种子产量和干燥物产量的优质基因型。AMMI1和AMMI2都可以识别出其他基因型的不稳定基因型，并且AMMI都将基因型G10和G3识别为高产物且稳定的基因型。使用GGE Biplot鉴定出三个和两个大环境，以进行干燥的产量和种子产量。对于被识别的巨型环境，G1，G13和G2，以及种子收益的大型环境，可以引入G10和G15。“ Mehran”和“ Gachsaran”从研究的位置出来，考虑到干燥的产量和种子产量，并且为了进一步的GE相互作用研究，最好在这些位置建立适应性试验。该研究得出结论，考虑到环境因素的影响，为了促进雨水供应区域的可持续农业，培养已鉴定的草豌豆基因型的培养具有希望。
基因组选择在提高奶牛生产力方面的机会：综述 Birara Tade* Aberra Melesse
埃塞俄比亚阿瓦萨大学农学院动物与牧场科学学院，邮政信箱 5，阿瓦萨，电子邮件：birara1982@gmail.com http://orcid.org/0000-0003-4045-8983 摘要 本综述旨在总结和综合在提高奶牛生产力方面基因组选择方面的零散信息。基因组选择一直是提高遗传改良率和缩短世代间隔的有效工具。此外，它还可用于在早期根据基因组育种值选择优良品种，精度高，从而提高奶牛种群的生产力。基因组选择特别用于改良那些遗传力较低的性状，如饲料效率、生殖性状，尤其是生育力（包括适应性状）。发达国家实施基因组选择的主要使用的是纯种和杂交牛。大多数研究发现，对作为奶牛高产奶量的大型参考种群的纯种进行基因组评估可以带来更多益处。由于大多数研究工作都是使用 Bos taurus 牛进行的，因此需要重点研究基因组选择在 Bos indicus 牛上的应用，以评估其对热带牛品种生产力的影响。 关键词：奶牛、基因组选择、生产力、基因改良 DOI：10.7176/ALST/98-02 出版日期：2023 年 6 月 30 日 介绍 基因组学是对具有大量核苷酸序列的物种基因组结构和功能的科学研究。这是牲畜遗传改良的一种新方法（Yadav 等人，2018 年）。基因组选择（GS）首次由 Meuwissen 等人（2001）描述，是指通过基于基因组估计育种值（GEBV）的选择对动物进行遗传改良。 GEBV 是整个基因组中密集遗传标记的影响与可能捕获导致性状变异的所有数量性状基因座 (QTL) 的总和 (Borakhatariya 等人，2017)。基于 GEBV 进行生产和生殖性状的详尽后代测试对于提高奶牛生产力非常重要。基因组选择对没有记录或后代的动物育种值的可靠性有显著影响 (Berry 等人，2014)。支持基因组预测准确性的遗传改良的增加有助于了解奶牛后代的遗传效应 (Gutierrez-Reinoso 等人，2021)。所选候选者的总遗传价值是根据单核苷酸多态性 (SNP) 效应的估计值预测的，该估计值是使用已进行基因分型的参考个体估计的 (Wallén 等人，2017)。